Single-trial extraction of event-related potentials (ERPs) and classification of visual stimuli by ensemble use of discrete wavelet transform with Huffman coding and machine learning techniques
| dc.contributor.author | Amin, Hafeez Ullah | cs |
| dc.contributor.author | Ullah, Rafi | cs |
| dc.contributor.author | Reza, Mohammed Faruque | cs |
| dc.contributor.author | Malik, Aamir Saeed | cs |
| dc.coverage.issue | 1 | cs |
| dc.coverage.volume | 20 | cs |
| dc.date.issued | 2023-06-02 | cs |
| dc.description.abstract | Background Presentation of visual stimuli can induce changes in EEG signals that are typically detectable by averaging together data from multiple trials for individual participant analysis as well as for groups or conditions analysis of multiple participants. This study proposes a new method based on the discrete wavelet transform with Huffman coding and machine learning for single-trial analysis of evenal (ERPs) and classification of different visual events in the visual object detection task. Methods EEG single trials are decomposed with discrete wavelet transform (DWT) up to the 4th level of decomposition using a biorthogonal B-spline wavelet. The coefficients of DWT in each trial are thresholded to discard sparse wavelet coefficients, while the quality of the signal is well maintained. The remaining optimum coefficients in each trial are encoded into bitstreams using Huffman coding, and the codewords are represented as a feature of the ERP signal. The performance of this method is tested with real visual ERPs of sixty-eight subjects. Results The proposed method significantly discards the spontaneous EEG activity, extracts the single-trial visual ERPs, represents the ERP waveform into a compact bitstream as a feature, and achieves promising results in classifying the visual objects with classification performance metrics: accuracies 93.60 +/- 6.5, sensitivities 93.55 +/- 4.5, specificities 94.85 +/- 4.2, precisions 92.50 +/- 5.5, and area under the curve (AUC) 0.93 +/- 0.3 using SVM and k-NN machine learning classifiers. Conclusion The proposed method suggests that the joint use of discrete wavelet transform (DWT) with Huffman coding has the potential to efficiently extract ERPs from background EEG for studying evoked responses in singletrial ERPs and classifying visual stimuli. The proposed approach has O(N) time complexity and could be implemented in real-time systems, such as the brain-computer interface (BCI), where fast detection of mental events is desired to smoothly operate a machine with minds. | en |
| dc.description.abstract | Úvod: Prezentace vizuálních podnětů může vyvolat změny v EEG signálech které jsou obvykle zjistitelné zprůměrováním dat z více pokusů pro analýza jednotlivých účastníků i analýza skupin nebo podmínek více účastníků. Tato studie navrhuje novou metodu založenou na diskrétnosti waveletová transformace s Huffmanovým kódováním a strojovým učením pro jeden pokus analýza potenciálu souvisejícího s událostmi (ERP) a klasifikace různých vizuálních události v úloze detekce vizuálních objektů. Metoda: Jednotlivé pokusy EEG jsou dekomponovány pomocí diskrétní vlnkové transformace (DWT) do 4 úroveň rozkladu pomocí biortogonálního B-spline vlnka. Koeficienty DWT v každém pokusu jsou limitovány tak, aby byly řídké vlnkové koeficienty, přičemž kvalita signálu je dobře zachována. The zbývající optimální koeficienty v každém pokusu jsou zakódovány do bitových toků pomocí Huffmanovo kódování a kódová slova jsou reprezentovány jako rys ERP signál. Výkon této metody je testován s reálnými vizuálními ERP šedesát osm předmětů. Výsledky: Navržená metoda významně eliminuje spontánní EEG aktivita, extrahuje vizuální ERP na jeden pokus, představuje křivku ERP do a kompaktní bitový tok jako funkce a dosahuje slibných výsledků při klasifikaci vizuální objekty s klasifikační výkonnostní metrikou: přesnost 93,606,5, citlivosti 93,554,5, specificity 94,854,2, přesnosti 92,505,5 a plocha pod křivkou (AUC) 0,930,3 pomocí SVM a k-NN strojového učení klasifikátory. Závěr: Navrhovaná metoda naznačuje společné použití diskrétní vlnky transformace (DWT) s Huffmanovým kódováním má potenciál efektivně extrahovat ERP z EEG na pozadí pro studium evokovaných reakcí v ERP na jeden pokus a klasifikace vizuálních podnětů. Navrhovaný přístup má časovou složitost O(N). a mohly by být implementovány v systémech v reálném čase, jako je mozek-počítač rozhraní (BCI), kde je žádoucí hladká rychlá detekce mentálních událostí ovládat stroj s myslí. | cs |
| dc.format | text | cs |
| dc.format.extent | 1-17 | cs |
| dc.format.mimetype | application/pdf | cs |
| dc.identifier.citation | Journal of NeuroEngineering and Rehabilitation. 2023, vol. 20, issue 1, p. 1-17. | en |
| dc.identifier.doi | 10.1186/s12984-023-01179-8 | cs |
| dc.identifier.issn | 1743-0003 | cs |
| dc.identifier.orcid | 0000-0003-1085-3157 | cs |
| dc.identifier.other | 184200 | cs |
| dc.identifier.researcherid | C-6904-2009 | cs |
| dc.identifier.scopus | 12800348400 | cs |
| dc.identifier.uri | http://hdl.handle.net/11012/244319 | |
| dc.language.iso | en | cs |
| dc.publisher | BioMed Central | cs |
| dc.relation.ispartof | Journal of NeuroEngineering and Rehabilitation | cs |
| dc.relation.uri | https://link.springer.com/article/10.1186/s12984-023-01179-8 | cs |
| dc.rights | Creative Commons Attribution 4.0 International | cs |
| dc.rights.access | openAccess | cs |
| dc.rights.sherpa | http://www.sherpa.ac.uk/romeo/issn/1743-0003/ | cs |
| dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | cs |
| dc.subject | Single trials analysis (ERPs) | en |
| dc.subject | visual object detection | en |
| dc.subject | discrete wavelet transform | en |
| dc.subject | Huffman coding | en |
| dc.subject | machine learning classifiers | en |
| dc.title | Single-trial extraction of event-related potentials (ERPs) and classification of visual stimuli by ensemble use of discrete wavelet transform with Huffman coding and machine learning techniques | en |
| dc.title.alternative | Extrakce potenciálů souvisejících s událostmi (ERP) a klasifikace vizuálních stimulů s využitím diskrétní vlnkové transformace s Huffmanovým kódováním a technik strojového učení | cs |
| dc.type.driver | article | en |
| dc.type.status | Peer-reviewed | en |
| dc.type.version | publishedVersion | en |
| sync.item.dbid | VAV-184200 | en |
| sync.item.dbtype | VAV | en |
| sync.item.insts | 2025.02.03 15:42:59 | en |
| sync.item.modts | 2025.01.24 02:32:05 | en |
| thesis.grantor | Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačových systémů | cs |
Files
Original bundle
1 - 1 of 1
Loading...
- Name:
- s129840230117981.pdf
- Size:
- 2.3 MB
- Format:
- Adobe Portable Document Format
- Description:
- file s129840230117981.pdf